Detecção robusta de trapaças baseada em visão em jogos competitivos
Author
Venue
Anais da ACM em Computação Gráfica e Técnicas Interativas 2021
Abstract
As editoras de jogos e as empresas de combate à trapaça não têm conseguido bloquear as trapaças nos jogos online. Propomos uma abordagem inovadora, baseada em visão, que captura o estado final do buffer de quadros e detecta sobreposições ilícitas. Para isso, treinamos e avaliamos um detector DNN em um novo conjunto de dados, coletado usando dois jogos de tiro em primeira pessoa e três softwares de trapaça. Estudamos as vantagens e desvantagens de diferentes arquiteturas DNN operando em escala local ou global. Utilizamos a análise de confiança de saída para evitar detecções não confiáveis e indicar quando é necessário retreinar a rede. Em um estudo de ablação, mostramos como usar a Propagação de Limites de Intervalo para construir um detector que também seja resistente a possíveis ataques adversários e estudamos sua interação com a análise de confiança. Nossos resultados mostram que um sistema antitrapaça robusto e eficaz por meio de aprendizado de máquina é viável na prática e pode ser usado para garantir o jogo limpo em jogos online.
